tensorflow学习008——逻辑回归实现

2.7 逻辑回归实现

本节代码需要的文件链接：https://pan.baidu.com/s/1jhHHi9bxrV5ogH7mKTc8Bw
提取码：1zhs

先认识下数据

点击查看代码

import pandas as pd
data = pd.read_csv("./dataset/credit-a.csv",header=None) #因为这个文件没有表头
print(data.head())

图2-15
其中0-14列是输入特征值，第15列是目标值，第15列只有-1和1这两种值。

点击查看代码

import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

data = pd.read_csv("./dataset/credit-a.csv",header=None) #因为这个文件没有表头
# print(data.head())
x = data.iloc[:,:-1]
y = data.iloc[:,-1].replace(-1,0) #将最后一列的-1替换成0

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(4,input_shape=(15,),activation='relu'))
model.add(tf.keras.layers.Dense(4,activation='relu')) #从第二层开始就不需要告诉输入的形状，会自动推断
model.add(tf.keras.layers.Dense(1,activation='sigmoid')) #最后一层需要使用sigmoid激活
#损失函数使用二元交叉熵概率 metric每轮都显示正确率
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['acc'])

history = model.fit(x,y,epochs=1000)

print(history.history) #是一个字典，记录了acc和loss的变化
#绘制loss,acc随ecpoch变化的图像
plt.plot(history.epoch,history.history.get("loss"),color='red')
plt.plot(history.epoch,history.history.get("acc"),color='green')
plt.show()

图2-16
如图2-16，我们可以看出，当超过200轮的时候，训练的结果冰花不是很大的，这说明，对于我们设计的这个网络而言，单纯的增大轮数没有意义，需要对网络结构进行调整。